Optimal Transport for $e/π^0$ Particle Classification in LArTPC Neutrino Experiments

Dit artikel toont aan dat Optimal Transport-methode, toegepast op MicroBooNE-simulatiegegevens, een state-of-the-art prestatie bereikt bij het onderscheiden van elektronen en π⁰-deeltjes in LArTPC-neutrino-experimenten.

De kern

Optimal Transport: De Slimme Verhuizer voor Neutrino's

Stel je voor dat je in een gigantisch, donker zwembad zit dat gevuld is met vloeibaar argon. Dit is een LArTPC-detector, een soort supergeavanceerde camera die deeltjes vastlegt die door het water (of in dit geval, argon) vliegen. Wanneer een deeltje erdoorheen gaat, laat het een spoor van licht en elektriciteit achter, net als een bootje dat een kielzog maakt.

De uitdaging voor wetenschappers is dit: ze willen weten of dat spoor gemaakt is door een elektron (een klein, snel deeltje) of door een pi-meson (een groter deeltje dat uit elkaar valt in twee fotonen, die op hun beurt weer twee sporen maken).

Het probleem? Soms lijken die twee sporen van een pi-meson precies op één groot spoor van een elektron. Het is alsof je twee regenboogjes ziet die zo dicht bij elkaar staan dat het eruitziet als één groot, gekleurd streepje. Als je dit niet goed kunt onderscheiden, mis je belangrijke ontdekkingen over het universum.

De oude manier: De "Puzzel-oplosser"
Vroeger probeerden computers deze sporen te reconstrueren. Ze keken naar elk stukje van het spoor en probeerden te raden: "Is dit een begin? Is dit een eind? Is dit een takje?" Het was alsof je probeert een ingewikkelde puzzel op te lossen door te kijken naar elke losse stukje apart. Soms lukte dit goed, maar vaak raakten ze de draad kwijt, vooral als de sporen erg kort of verward waren.

De nieuwe manier: Optimal Transport (De Slimme Verhuizer)
In dit artikel gebruiken de auteurs een wiskundig concept genaamd Optimal Transport. Laten we dit vergelijken met een verhuizer.

Stel je hebt twee huizen:

1. Huis A (een elektron): Hier staan alle meubels (de energie) in één grote, compacte kamer.
2. Huis B (een pi-meson): Hier staan dezelfde meubels, maar ze zijn verdeeld over twee kamers.

De vraag is: Hoeveel werk kost het om de meubels van Huis A naar Huis B te verplaatsen?

• Als je twee elektronen vergelijkt (Huis A naar Huis A), is het werk heel klein. De meubels staan al bijna op de juiste plek. Je hoeft ze maar een beetje te schuiven.
• Als je een elektron vergelijkt met een pi-meson (Huis A naar Huis B), is het werk enorm groot. Je moet meubels uit de ene kamer halen en ze in twee verschillende kamers verdelen. Dat kost veel energie en tijd.

Optimal Transport berekent precies hoeveel "werk" (of afstand) er nodig is om het ene patroon in het andere te veranderen. Hoe meer werk er nodig is, hoe groter de kans dat het om een ander deeltje gaat.

Waarom is dit zo slim?

1. Het kijkt naar het hele plaatje: In plaats van te proberen elk stukje van het spoor apart te benoemen (wat vaak mislukt), kijkt de verhuizer naar de hele verdeling van de meubels. Het maakt niet uit waar precies elk stukje zit, maar hoe de hele verdeling eruitziet.
2. Het is onafhankelijk van de hoek: Een elektron kan in elke richting vliegen. De oude methoden werden vaak in de war gebracht als het spoor schuin stond. De "verhuizer" draait het huis eerst netjes uit (zoals je een foto rechtzet), zodat hij alleen naar de vorm kijkt, niet naar de richting.
3. Het werkt beter dan de oude methoden: De auteurs hebben getoond dat deze methode veel beter werkt dan de traditionele "puzzel-oplossers". Ze konden veel meer pi-mesons herkennen die voorheen als elektronen werden aangezien.

De "Verhuizer" en de "Rechter"
De auteurs hebben de "verhuizer" (de Optimal Transport berekening) gekoppeld aan slimme algoritmen (zoals een SVM, wat je kunt zien als een zeer scherpe rechter).

• De verhuizer zegt: "Het kost 300 eenheden werk om dit spoor in een elektron-spore te veranderen."
• De rechter kijkt naar die 300 eenheden en zegt: "Ah, dat is veel werk! Dit is dus geen elektron, maar een pi-meson!"

Conclusie
Dit onderzoek laat zien dat je door te kijken naar hoe "ver" twee patronen van elkaar liggen in plaats van te proberen ze stukje voor stukje te reconstrueren, veel nauwkeuriger kunt zijn. Het is alsof je in plaats van te proberen elk woord in een zin te spellen, gewoon kijkt of de zin klinkt als een verhaal over een kat of over een hond.

Voor de toekomst van deeltjesfysica (zoals bij het DUNE-project) betekent dit dat we veel scherpere ogen hebben om de geheimen van het universum te ontrafelen, zonder vast te lopen in de details van de reconstructie. De "verhuizer" heeft de puzzel opgelost!

Technische samenvatting

Titel: Optimal Transport voor e/π0-deeltjesclassificatie in LArTPC Neutrinodetectoren

Auteurs: David Caratelli, Nathaniel Craig, Chuyue Fang, en Jessica N. Howard.
Context: Liquid Argon Time Projection Chamber (LArTPC) experimenten (o.a. MicroBooNE, DUNE, SBN).

---

1. Het Probleem

In LArTPC-detectoren is het onderscheiden van elektronen ($e^-$) en neutralen pions ($\pi^0$) een kritieke maar uitdagende taak voor de reconstructie van neutrino-interacties.

• Fysische achtergrond: Elektronen zijn de handtekening van $\nu_\mu \to \nu_e$ oscillaties en zoeken naar BSM-fysica (Beyond Standard Model). Neutralen pions vervalen echter vaak in twee fotonen ($\pi^0 \to \gamma\gamma$), die elektromagnetische (EM) showers produceren die visueel lijken op die van elektronen.
• Huidige beperkingen: Traditionele reconstructie-algoritmen (zoals Pandora en Wire-Cell) en Machine Learning (ML) methoden hebben moeite met deze scheiding, vooral wanneer:
  • De twee fotonen van een $\pi^0$ collineair zijn (kleine openingshoek).
  • Eén van de fotonen zeer weinig energie heeft (asymmetrisch verval).
  • Eén van de fotonen de detector verlaat voordat deze energie deelt.
• Gevolg: Dit leidt tot een hoge achtergrond en een verlies aan efficiëntie (vaak <40% voor $\nu_e$-detectie), wat de sensitiviteit van fysica-metingen beperkt.

2. Methodologie: Optimal Transport (OT)

De auteurs introduceren Optimal Transport (OT) als een wiskundig raamwerk om de "afstand" tussen twee waarschijnlijkheidsverdelingen te kwantificeren op basis van de minimale "arbeid" die nodig is om de ene in de andere te transformeren.

Kernstappen in de aanpak:

1. Data Representatie: In plaats van de deeltjes individueel te reconstrueren, worden de energie-deposities in de detector behandeld als discrete waarschijnlijkheidsverdelingen over de 3D-ruimte. De intensiteit van de lading op een punt correspondeert met de massa.
2. Pre-processing:
   • Event Filtering: Verwijdering van events waarbij showers de detectorgrenzen raken (om incomplete data te vermijden).
   • 3D Reconstructie: Gebruik van het SpacePointSolver algoritme om hits van de drie draadvlakken om te zetten in 3D-ruimtepunten.
   • Down-sampling: Samenvoegen van ruimtepunten binnen 1 cm om de rekenkosten te verlagen (factor ~3).
   • Ruimtelijke Alignering: Gebruik van Gewogen Hoofdkomponentenanalyse (WPCA) om alle events te roteren en te vertalen zodat hun hoofdassen en zwaartepunten consistent zijn. Dit elimineert variatie door de oriëntatie van het deeltje in de detector.
   • Projectie: Naast 3D-data worden ook 2D-projecties langs de hoofdassen gebruikt (analoog aan "jet images" in deeltjesversnellers).
3. OT-Metriek: De auteurs gebruiken de 2-Wasserstein-afstand (een gebalanceerde OT-metriek). Dit betekent dat de totale intensiteit van de events genormaliseerd wordt, zodat de classificatie zich richt op de topologische verschillen (vorm van de shower) en niet op het totale energieniveau.
4. Classificatiestrategieën:
   • Min(OT): Vergelijk een onbekend event met een referentie-set van elektronen. De kleinste OT-afstand tot een elektron dient als score.
   • OT + Machine Learning: De paar-voor-paar OT-afstanden worden gebruikt als input voor interpreteerbare ML-modellen:
     • k-Nearest Neighbors (kNN): Classificatie op basis van de dichtstbijzijnde buren in de OT-ruimte.
     • Support Vector Machine (SVM): Zoekt een hyperplane die de classes (e vs. $\pi^0$) optimaal scheidt in de ruimte van OT-afstanden.

3. Belangrijkste Bijdragen

• Eerste toepassing van OT in LArTPC: Dit is het eerste werk dat OT succesvol toepast op data van een LArTPC-detector (MicroBooNE Open Dataset).
• Bypassing van lage-niveau reconstructie: De methode omzeilt de inefficiënte stappen van traditionele shower-reconstructie (zoals het individueel identificeren van twee fotonen bij $\pi^0$) en werkt direct op de calorimetrische charge-verdeling.
• Interpreteerbaarheid: In tegenstelling tot complexe "black-box" Deep Learning modellen (zoals CNNs), biedt OT een wiskundig onderbouwde metriek die fysisch interpreteerbaar is (arbeid om deeltjesverdeling te transformeren).
• Uitgebreide validatie: De studie vergelijkt 3D- en 2D-OT-methoden en toont aan dat het combineren van OT met SVM de beste resultaten oplevert.

4. Resultaten

De prestaties zijn getest op de MicroBooNE Open Dataset (100.000 $\nu_\mu$ en 10.000 $\nu_e$ interacties) over 9 energie-bins (0.05 - 0.9 GeV).

• Prestatievergelijking:
  • Alle OT-methoden presteren significant beter dan de traditionele Pandora-reconstructie.
  • Pandora: Bereikt een totale efficiëntie van ongeveer 40% voor $\pi^0$-rejectie.
  • OT + SVM: Bereikt een nauwkeurigheid (accuracy) tussen 74,2% en 87,6% en een Area Under the Curve (AUC) tussen 82,2% en 94,0%, afhankelijk van de energie.
• Specifieke verbeteringen:
  • Bij kleine openingshoeken tussen fotonen (een van de moeilijkste scenario's voor Pandora) stijgt de $\pi^0$-identificatie-efficiëntie van ~10% (Pandora) naar ~80% (OT+SVM).
  • Bij lage momentum-ratio's (waarbij één foton zeer weinig energie heeft) verbetert de efficiëntie van ~15% naar bijna 60%.
• 3D vs. 2D: Hoewel 2D-projecties soms beter werken met de simpele "Min(OT)" methode (vanwege gevoeligheid voor lange afstanden in 3D), presteert 3DOT + SVM over het algemeen het beste, omdat SVM de complexe 3D-topologische verschillen beter kan leren.
• Rekenkosten: De berekening van een enkele OT-afstand duurt enkele milliseconden (afhankelijk van het aantal punten), wat haalbaar is voor offline analyse. De auteurs wijzen op Linearized OT (LOT) als een toekomstige strategie om de schaalbaarheid voor online toepassingen te verbeteren.

5. Betekenis en Toekomstperspectief

• Fysica Impact: Het verbeteren van de e/π0-scheiding is cruciaal voor de sensitiviteit van toekomstige experimenten zoals DUNE en het Short Baseline Neutrino (SBN) programma. Het stelt onderzoekers in staat om subtielere signalen (zoals enkele-foton events of BSM-deeltjes) te detecteren zonder dat ze afhankelijk zijn van strenge, inefficiënte cuts.
• Methodologische Doorbraak: De succesvolle toepassing van OT bewijst dat wiskundige optimalisatietechnieken, die al populair zijn in de HEP-wereld voor collider-data (LHC), ook uitstekend werken voor de hoge-resolutie calorimetrie van LArTPC's.
• Toekomst: De auteurs pleiten voor de integratie van OT in de volledige reconstructiepijplijn van toekomstige experimenten. Omdat OT werkt op de charge-verdeling, is het mogelijk dat het zelfs beter werkt voor pixel-gebaseerde detectors (zoals die in DUNE) dan voor draad-gebaseerde systemen, vanwege de inherente 3D-natuur van de data.

Conclusie: Dit artikel demonstreert dat Optimal Transport een krachtig, interpreteerbaar en state-of-the-art alternatief biedt voor traditionele reconstructie-algoritmen in neutrino-experimenten, met name voor het kritieke probleem van het onderscheiden van elektronen en neutralen pions.